k-mer特征提取代码python

在Python中，k-mer特征提取通常用于DNA序列分析，例如寻找基因标志、拼接DNA片段等。以下是一个简单的例子，展示了如何使用sklearn库中的CountVectorizer对k-mers进行计数：

from sklearn.feature_extraction.text import CountVectorizer
import numpy as np

# 假设我们有DNA序列列表
dna_sequences = ['ATCGTGTC', 'ACGTACCGT', 'CGTAATCG']

# 定义k值
k = 3

# 将DNA序列转换为字符串，方便处理k-mers
sequences_str = [''.join(seq[i:i+k]) for seq in dna_sequences for i in range(len(seq) - k + 1)]

# 使用CountVectorizer创建k-mer特征矩阵
vectorizer = CountVectorizer(ngram_range=(k, k))
k_mer_matrix = vectorizer.fit_transform(sequences_str)

# 打印特征名称（即k-mers）
print(vectorizer.get_feature_names_out())

# 输出k-mer频率矩阵
print(k_mer_matrix.toarray())

在这个代码中，`ngram_range=(k, k)`表示我们只计算长度为k的连续子串（k-mer）。`fit_transform()`函数会返回一个稀疏矩阵，其中每一行对应一个DNA序列，每列代表一个k-mer及其对应的频次。